迅速發(fā)展的社交網(wǎng)絡(luò)在積累了大量數(shù)據(jù)的同時,也實時產(chǎn)生著可觀的增量數(shù)據(jù)。一方面,社交網(wǎng)絡(luò)大數(shù)據(jù)的獨特數(shù)據(jù)特征導(dǎo)致傳統(tǒng)信息搜索算法已經(jīng)難以滿足用戶的需求。另一方面,社交網(wǎng)絡(luò)信息的數(shù)據(jù)多樣性對社交網(wǎng)絡(luò)大數(shù)據(jù)獲取與處理提出了更高的要求。在此背景下,提高在線社交網(wǎng)絡(luò)搜索算法的準(zhǔn)確性與搜索方式的高效性已經(jīng)成為了研究熱點。本文完成的主要工作如下:（1）提出了一種基于E-RSCNN（Extraction-Reinforcement Search Convolution Neural Network）的數(shù)據(jù)感知與抽取算法。采用了基于深度卷積神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)內(nèi)容篩選,完成了對安全內(nèi)容的感知與抽取。將安全內(nèi)容短文本與微博文檔集合分別定義為微博搜索的查詢與候選集,根據(jù)微博文檔的文本與圖像特征進(jìn)行分析,獲得了微博文檔相關(guān)評價。（2）提出了基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)多模態(tài)內(nèi)容映射與識別方法（M-RSCNN）算法。該算法結(jié)合微博內(nèi)容中包含的原始圖像信息,對文本特征進(jìn)行修正融合,從而獲得內(nèi)容一致語義空間。將微博短文本與圖片信息、時間信息、空間信息組合成的微博文檔集合,輸入到訓(xùn)練完畢的卷積神經(jīng)網(wǎng)絡(luò)模型中,在卷積計算和池化... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１總體結(jié)構(gòu)框架圖??分析社交網(wǎng)絡(luò)安全內(nèi)容中的包含的時空特征，加以提取并構(gòu)建時空信息表達(dá)??集合

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一種演化，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，相同之??處在于具體每層均由多個獨立神經(jīng)元組成的平臺構(gòu)成。不同之處在于，“深度”??表示相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，擁有更多的神經(jīng)網(wǎng)絡(luò)層數(shù)，如圖２－１所示。??｜輸入層；?，?隱層?ｉ?丨輸出層；??！??ｊ?！?」＿?Ｉ?！??圖２－１深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)示意圖??前向反饋網(wǎng)絡(luò)的訓(xùn)練過程可以分為兩個階段，向前傳播與向后傳播。關(guān)鍵點??在于設(shè)計準(zhǔn)確的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、輸出格式與合理的維度轉(zhuǎn)換方式。輸??入為感知獲取的信息，將每個詞的由神經(jīng)網(wǎng)絡(luò)訓(xùn)練產(chǎn)生的詞向量組成為矩陣，輸??出為輸入內(nèi)容的特征向量。經(jīng)過深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，產(chǎn)生的文檔特征向量能夠??捕捉到更加潛在的語義表達(dá)，使輸入信息可以在同一語義空間下進(jìn)行表述，從而??完成特征的提取。??１０??

１１２＊１２８?２８＊２８＊５１２?１４＊１４＊５１２??Ｉ?卷積運算Ｉ?｜最大５６＊１２８?２８＊２８＊５１２?７＊７＊５１２??Ｕ最大池化￥算?卷積運算Ｖ???ｉｒ５６＊２５６?２８＊２８＊５１２?全連接層??｜?——?Ｉ?Ｙ??卷積運算??＊輸出??圖２－２?ＶＧＧ１６模型卷積架構(gòu)圖??經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)??入的網(wǎng)絡(luò)的另一種主要形式是循環(huán)，代表為循環(huán)神經(jīng)網(wǎng)絡(luò)ｏｒｋ，?ＲＮＮ）。循環(huán)神經(jīng)網(wǎng)絡(luò)的引入是為了解決有序輸入數(shù)記憶性的問題。為了解決輸入數(shù)據(jù)為有序的數(shù)據(jù)，循環(huán)作為輸入，也將之前感知到的結(jié)果應(yīng)作為輸入。常見


本文編號：3438301